如何在熊猫数据框中查找列的 ngram 频率？答案

【问题标题】：How to find ngram frequency of a column in a pandas dataframe?如何在熊猫数据框中查找列的 ngram 频率？
【发布时间】：2016-08-03 00:05:35
【问题描述】：

下面是我输入的 pandas 数据框。

我想找出一元和二元的频率。下面是我所期待的示例

如何使用 nltk 或 scikit learn 做到这一点？

我编写了下面的代码，它接受一个字符串作为输入。如何将其扩展到系列/数据框？

from nltk.collocations import *
desc='john is a guy person you him guy person you him'
tokens = nltk.word_tokenize(desc)
bigram_measures = nltk.collocations.BigramAssocMeasures()
finder = BigramCollocationFinder.from_words(tokens)
finder.ngram_fd.viewitems()

【问题讨论】：

标签： pandas nlp scikit-learn nltk text-mining

【解决方案1】：

如果你的数据是这样的

import pandas as pd
df = pd.DataFrame([
    'must watch. Good acting',
    'average movie. Bad acting',
    'good movie. Good acting',
    'pathetic. Avoid',
    'avoid'], columns=['description'])

你可以使用包sklearn的CountVectorizer：

from sklearn.feature_extraction.text import CountVectorizer
word_vectorizer = CountVectorizer(ngram_range=(1,2), analyzer='word')
sparse_matrix = word_vectorizer.fit_transform(df['description'])
frequencies = sum(sparse_matrix).toarray()[0]
pd.DataFrame(frequencies, index=word_vectorizer.get_feature_names(), columns=['frequency'])

这给了你：

                frequency
good            3
pathetic        1
average movie   1
movie bad       2
watch           1
good movie      1
watch good      3
good acting     2
must            1
movie good      2
pathetic avoid  1
bad acting      1
average         1
must watch      1
acting          1
bad             1
movie           1
avoid           1

编辑

fit 只会“训练”你的矢量化器：它会分割你的语料库中的单词并用它创建一个词汇表。然后transform 可以获取一个新文档并根据向量化器词汇创建频率向量。

这里你的训练集是你的输出集，所以你可以同时做这两个 (fit_transform)。因为您有 5 个文档，所以它将创建 5 个向量作为矩阵。你想要一个全局向量，所以你必须创建一个sum。

编辑 2

对于大数据帧，您可以使用以下方法加快频率计算：

frequencies = sum(sparse_matrix).data

【讨论】：

+1 你能解释一下 fit_transform() / fit() / transform() 之间的区别吗？你是怎么知道 sum(sparse_matrix).toarray()[0] 给出频率的？我在 scikit learn 文档中没有找到太多关于重新分级的信息。
@ML_Pro 我在答案中添加了解释。
标记为答案。很有帮助的解释。
非常优雅的方式，但 'sum(sparse_matrix).toarray()[0]' 命令需要很长时间才能处理大数据集。
@Till - sum(sparse_matrix).data 给了我错误的频率。